CN102708359B - 一种基于彩色图像的人脸识别方法 - Google Patents
一种基于彩色图像的人脸识别方法 Download PDFInfo
- Publication number
- CN102708359B CN102708359B CN201210140366.XA CN201210140366A CN102708359B CN 102708359 B CN102708359 B CN 102708359B CN 201210140366 A CN201210140366 A CN 201210140366A CN 102708359 B CN102708359 B CN 102708359B
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- sigma
- image sample
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
有效利用彩色图像的彩色信息、基于CSDA准则将彩色图像转换为单一颜色图像、得到的彩色人脸表示对随后的CSDA识别方法是最优的基于彩色图像的人脸识别方法,在训练阶段利用训练图像样本通过相似特征提取模型得到特征空间,然后将训练图像样本在该特征空间的投影系数作为该训练图像样本的特征,在测试阶段将测试图像样本投影到该特征空间,然后将测试图像样本在该特征空间投影后得到的系数作为该测试图像样本的特征,最后将训练图像样本的特征和测试图像样本的特征通过一种分类方法进行匹配而得到分类结果,相似特征提取模型根据最优化组合系数向量X*将训练集中的彩色图像转换为单一颜色图像,根据最优化投影矩阵W*得到训练图像的特征。
Description
技术领域
本发明属于图像处理的技术领域,具体地涉及一种基于彩色图像的人脸识别方法。
背景技术
现今人脸识别已成为模式识别和人工智能领域的研究热点。但是目前大多数人脸识别的算法都是基于灰度图像展开的,最近的研究表明,彩色图像对于人脸识别能够提供有用的信息,因此,如果能充分利用彩色信息,则可以有效地提高人脸的识别率。人脸空间中存在着一个低维非线性流形结构,并且流形的几何结构是嵌入在样本的相似性中。如图1所示,张太平提出了一种基于相关性的相似特征提取方法,称为Correlation SimilarityDiscriminant Analysis(CSDA),该方法能够有效地提取潜藏在样本相似性间的流形结构。但是CSDA方法是基于灰度图像而提出的,这种转换其实丢失了人脸图像的彩色信息。对于彩色人脸识别,如果可以有效利用彩色信息,基于CSDA准则将彩色图像转换为单一颜色图像,继而使用CSDA方法进行特征提取,那么可以想象,相比于基于灰度图像的CSDA方法相比,识别率会有所提升。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种有效利用彩色图像的彩色信息、基于CSDA准则将彩色图像转换为单一颜色图像、使用该方法得到的彩色人脸表示对于随后的CSDA识别方法是最优的基于彩色图像的人脸识别方法。
本发明的技术解决方案是:这种基于彩色图像的人脸识别方法,在训练阶段利用训练图像样本通过相似特征提取模型得到特征空间,然后将训练图像样本在该特征空间的投影系数作为该训练图像样本的特征,在测试阶段将测试图像样本投影到该特征空间,然后将测试图像样本在该特征空间投影后得到的系数作为该测试图像样本的特征,最后将训练图像样本的特征和测试图像样本的特征通过一种分类方法进行匹配而得到分类结果,
相似特征提取模型为:
其中,J(W,X)表示彩色图像样本转换为单一颜色样本,再经过投影到低维特征空间后,使得类内相关性最大、同时类间相关性最小的目标函数;W表示投影矩阵,X为彩色图像样本的彩色分量组合系数向量;tr{}表示矩阵的迹,WT表示矩阵W的转置;maxJ(W,X)表示求J(W,X)的最大值;subject to的含义为在满足约束条件下,WTSc(X)W=I为约束条件,I表示单位矩阵;要说明及Sc(X)的定义,需要先给出该模型的原型,即
其中,∑为求和符号,c为训练图像样本的类别数,Mp(p=1,L,c)为第p类训练样本的个数,lp(p=1,L,c)标识训练样本属于第p类,Ai,Aj分别表示第i,j个训练样本,M为所有训练样本的个数,及Sc(X)是从该模型中提取出来的:其中
由于本方法的相似特征提取模型将彩色图像样本转换为单一颜色样本,再经过投影到低维特征空间后,使得类内相关性最大,同时类间相关性最小,所以有效利用彩色图像的彩色信息、基于CSDA准则将彩色图像转换为单一颜色图像、使用该方法得到的彩色人脸表示对于随后的CSDA识别方法是最优的基于彩色图像的人脸识别方法。
附图说明
图1示出了根据现有技术的基于彩色图像的人脸识别方法的示意图;
图2示出了根据本发明的基于彩色图像的人脸识别方法的训练阶段的流程图。
具体实施方式
这种基于彩色图像的人脸识别方法,在训练阶段利用训练图像样本通过相似特征提取模型得到特征空间,然后将训练图像样本在该特征空间的投影系数作为该训练图像样本的特征,在测试阶段将测试图像样本投影到该特征空间,然后将测试图像样本在该特征空间投影后得到的系数作为该测试图像样本的特征,最后将训练图像样本的特征和测试图像样本的特征通过一种分类方法进行匹配而得到分类结果,
相似特征提取模型为:
其中,J(W,X)表示彩色图像样本转换为单一颜色样本,再经过投影到低维特征空间后,使得类内相关性最大,同时类间相关性最小的目标函数;W表示投影矩阵,X为彩色图像样本的彩色分量组合系数向量;tr{}表示矩阵的迹,WT表示矩阵W的转置;maxJ(W,X)表示求J(W,X)的最大值;subject to的含义为在满足约束条件下,WTSc(X)W=I为约束条件,I表示单位矩阵;要说明及Sc(X)的定义,需要先给出该模型的原型,即
其中,∑为求和符号,c为训练图像样本的类别数,Mp(p=1,L,c)为第p类训练样本的个数,lp(p=1,L,c)标识训练样本属于第p类,Ai,Aj分别表示第i,j个训练样本,M为所有训练样本的个数,及Sc(X)是从该模型中提取出来的:其中
由于本方法的相似特征提取模型将彩色图像样本转换为单一颜色样本,再经过投影到低维特征空间后,使得类内相关性最大,同时类间相关性最小,所以有效利用彩色图像的彩色信息、基于CSDA准则将彩色图像转换为单一颜色图像、使用该方法得到的彩色人脸表示对于随后的CSDA识别方法是最优的基于彩色图像的人脸识别方法。
优选地,所述相似特征提取模型通过一种迭代算法获得最优化组合系数向量X*=[x1,x2,x3]T和最优化投影矩阵W*=[w1,w2,L,wd],该迭代算法包括以下步骤:
(1)给定一个初始彩色图像样本的彩色分量组合系数X[0],设定迭代次数k=0;
(2)构造和Sc(X[k]),并且计算它们的前d个最大的特征值对应的广义特征向量w1,w2,L,wd,令W[k]=[w1,w2,L,wd];X[k]为第k次迭代产生的彩色分量组合系数向量,W[k]表示第k次迭代产生的投影矩阵,Sc(X[k])为第k次迭代产生的三个矩阵,这三个矩阵的定义见权利要求1;
(3)构造和Lc(W[k]),并且计算它们的最大的特征值所对应的特征向量X[k+1];是根据式子 给推导出来的,同理Lc(W[k])是由式tr{(W[k])TSc(X[k])W[k]}=(X[k])TLc(W[k])X[k]推导出来, 为第k次迭代产生的相似特征提取模型中的目标函数,tr{(W[k])TSc(X[k])W[k]}为第k次迭代产生的相似特征提取模型中的约束条件的迹;
(4)判断|J(W[k+1],X[k+1])-J(W[k],X[k])|<ε是否成立,如果是则执行步骤(5),否则执行步骤(2),其中
J(W[k+1],X[k+1])为第k+1次迭代得到的目标函数,J(W[k],X[k])为第k次迭代得到的目标函数,|J(W[k+1],X[k+1])-J(W[k],X[k])|表示第k次迭代得到的目标函数与第k+1次迭代得到的目标函数的差的绝对值,ε为设置的一个阈值;
(5)令X*=X[k+1];
优选地,所述分类方法采用余弦距离度量方式来度量特征向量之间的距离,即
其中Ai、Aj分别为第i、j幅彩色图像,Yi、Yj为Ai、Aj的特征向量。
下面具体说明一个优选实施例流程:首先给出彩色图像的表示方法,之后构建一个CICSD(Color Image Correlation Similarity Discriminant,彩色图像相关性相似判别)模型,并使用迭代CICSD算法求出CICSD模型的两组变量,最后给出了基于余弦距离作为度量尺度的分类方法。
1、彩色图像表示方法
假设A是一个m×n维的彩色人脸图像,三个彩色分量分别为R、G、B。不失一般性,假定R、G、B都采用列向量形式表示,即:R,G,B∈RN,其中N=m×n,则彩色图像A可表示为一N×3的矩阵:A=[R,G,B]∈RN×3。
本文的目的就是为彩色图像A寻找一个用于图像识别更有意义的表示方法,在相关性相似判别的框架下,找到一组最优的组合系数来线性组合R、G、B三个彩色分量。通过这组组合系数将彩色人脸图像转换为单一颜色图像,令D为组合后的单一颜色图像,即有:
D=x1R+x2G+x3B (1)
其中x1,x2,x3为彩色分量的组合系数。
2、CICSD模型
对于由M幅m×n维的彩色人脸图像构成的训练样本集Ai=[Ri,Gi,Bi]∈RN×3,Ri,Gi,Bi表示Ai的三个彩色分量,其中所有样本分属于c类,标记为{l1,l2,L,lc},每一个样本都仅属于其中一个类,并且第li类中共有Mi个样本,将这组训练集进行颜色空间转换,设为变换后的单一颜色图像,则
Di=x1Ri+x2Gi+x3Bi=AiX (2)
其中,X=[x1,x2,x3]T为彩色分量的组合系数向量。
在D空间,两个向量之间的相似性定义为:
或者定义为:
我们希望找到一个线性映射将D空间中的样本从N维空间(RN)变换到d维空间(Rd)(d≤N),然后在d维空间中,能够很好地将不同类的样本分开。不失一般性,我们标记这个线性映射为W=[w1,w2,L,wd]∈RN×d。在这个线性映射的作用下,原始数据D被映射为WTD。
D空间的样本投影后的特征向量的类内相关性Cw(WTD)、类间相关性Cb(WTD)分别为:
为了使得D空间样本能够在d维空间中有效地区分,一个有效的准则就是最大化类内相关性,而同时最小化类间相关性,此准则能够表示为:
最优化问题(7)可转换成最大化如下目标函数
最大化目标函数(8)等价于最大化如下目标函数
并满足如下约束条件:
在这里,定义三个矩阵标识:
在X已知的情况下,求解约束条件(10)下的最优化问题(9),可简化为解决如下最优化模型:
其中,I为单位阵。
模型(14)即为CICSD模型,接下来我们设计一个迭代CICSD算法,通过求解CICSD模型来得到最优化组合系数向量X*=[x1,x2,x3]T和最优化投影矩阵W*=[w1,w2,L,wd]。
3、CICSD算法
式(14)中的目标函数满足
式(14)中的约束条件WTSc(X)W=I满足
tr{WTSc(X)W}=XTLc(W)X=d (19)
因此,迭代CICSD算法如下所示:
第一步:设k=0,并且给X提供一初始值:X=X[0]。
第四步:如果|J(W[k+1],X[k+1])-J(W[k],X[k])|<ε,则迭代终止,其中ε为收敛阈值。令X*=X[k+1],根据X[k+1]可以计算出最优投影矩阵W*=W[k+1]。否则,令X=X[k+1],转到第二步。
4、分类方法
采用CICSD算法得到图像的特征向量后,需要定义特征向量之间的距离度量。该距离度量采用余弦距离度量方式。设Ai、Aj分别为第i、j幅彩色人脸图像,Yi、Yj为Ai、Aj的特征向量。两特征向量Yi、Yj之间的余弦距离定义为:
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (2)
1.一种基于彩色图像的人脸识别方法,在训练阶段利用训练图像样本通过相似特征提取模型得到特征空间,然后将训练图像样本在该特征空间的投影系数作为该训练图像样本的特征,在测试阶段将测试图像样本投影到该特征空间,然后将测试图像样本在该特征空间投影后得到的系数作为该测试图像样本的特征,最后将训练图像样本的特征和测试图像样本的特征通过一种分类方法进行匹配而得到分类结果,其特征在于:相似特征提取模型为:
其中,J(W,X)表示彩色图像样本转换为单一颜色样本,再经过投影到低维特征空间后,使得类内相关性最大、同时类间相关性最小的目标函数;W表示投影矩阵,X为彩色图像样本的彩色分量组合系数向量;
tr{}表示矩阵的迹,WT表示矩阵W的转置;maxJ(W,X)表示求J(W,X)的最大值;subject to的含义为在满足约束条件下,WTSc(X)W=I为约束条件,I表示单位矩阵;所述相似特征提取模型的原型为
其中,Σ为求和符号,c为训练图像样本的类别数,Mp(p=1,…,c)为第p类训练样本的个数,lp(p=1,…,c)标识训练样本属于第p类,Ai,Aj分别表示第i,j个训练样本,M为所有训练样本的个数,及Sc(X)是从该模型中提取出来的,其中
所述相似特征提取模型通过一种迭代算法获得最优化组合系数向量
X*=[x1,x2,x3]T和最优化投影矩阵W*=[w1,w2,…,wd],该迭代算法包括以下步骤:
(1)给定一个初始彩色图像样本的彩色分量组合系数向量X[0],设定迭代次数k=0;
(2)构造和并且计算它们的前d个最大的特征值对应的广义特征向量w1,w2,…,wd,令W[k]=[w1,w2,…,wd];其中X[k]为第k次迭代产生的彩色分量组合系数向量,W[k]表示第k次迭代产生的投影矩阵,为第k次迭代产生的三个矩阵;
(4)判断|J(W[k+1],X[k+1])-J(W[k],X[k])|<ε是否成立,如果是则执行步骤(5),否则执行步骤(2),其中
J(W[k+1],X[k+1])为第k+1次迭代得到的目标函数,J(W[k],X[k])为第k次迭代得到的目标函数,|J(W[k+1],X[k+1])-J(W[k],X[k])|表示第k次迭代得到的目标函数与第k+1次迭代得到的目标函数的差的绝对值,ε为设置的一个阈值;
(5)令X*=X[k+1];
2.根据权利要求1所述的基于彩色图像的人脸识别方法,其特征在于:
所述分类方法采用余弦距离度量方式来度量特征向量之间的距离,即
其中Ai、Aj分别为第i、j幅彩色图像,Yi、Yj为Ai、Aj的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210140366.XA CN102708359B (zh) | 2012-05-08 | 2012-05-08 | 一种基于彩色图像的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210140366.XA CN102708359B (zh) | 2012-05-08 | 2012-05-08 | 一种基于彩色图像的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102708359A CN102708359A (zh) | 2012-10-03 |
CN102708359B true CN102708359B (zh) | 2014-06-04 |
Family
ID=46901104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210140366.XA Active CN102708359B (zh) | 2012-05-08 | 2012-05-08 | 一种基于彩色图像的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102708359B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116742B (zh) * | 2013-02-01 | 2016-05-04 | 南京信息工程大学 | 基于rgb彩色特征双重鉴别相关性分析的人脸识别方法 |
CN103116758B (zh) * | 2013-02-01 | 2016-03-30 | 南京信息工程大学 | 基于rgb彩色特征双重鉴别分析的彩色人脸识别方法 |
CN110046582B (zh) * | 2019-04-18 | 2020-06-02 | 南京信息工程大学 | 基于多视图鉴别线性表示保留投影的彩色人脸识别方法 |
CN110084163B (zh) * | 2019-04-18 | 2020-06-30 | 南京信息工程大学 | 基于多视图局部线性表示保留鉴别嵌入的人脸识别方法 |
CN113505717B (zh) * | 2021-07-17 | 2022-05-31 | 桂林理工大学 | 一种基于人脸面部特征识别技术的在线通行系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430759B (zh) * | 2008-12-04 | 2010-11-17 | 上海大学 | 优化的人脸识别预处理方法 |
CN101673348B (zh) * | 2009-10-20 | 2012-05-09 | 哈尔滨工程大学 | 基于监督等度规投影的人脸识别方法 |
-
2012
- 2012-05-08 CN CN201210140366.XA patent/CN102708359B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102708359A (zh) | 2012-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102708359B (zh) | 一种基于彩色图像的人脸识别方法 | |
Zhang et al. | Linear local tangent space alignment and application to face recognition | |
CN109063565B (zh) | 一种低分辨率人脸识别方法及装置 | |
CN101980250B (zh) | 基于降维局部特征描述子和隐条件随机场的目标识别方法 | |
CN102800093B (zh) | 基于分解的多目标遥感图像分割方法 | |
CN102663371B (zh) | 一种耦合步态特征的低分辨率人脸识别方法 | |
CN102629374B (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
CN102902979B (zh) | 一种合成孔径雷达自动目标识别的方法 | |
CN103226699B (zh) | 一种基于分离度差有监督局部保持投影的人脸识别方法 | |
CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
CN105224918A (zh) | 基于双线性联合稀疏判别分析的步态识别方法 | |
CN104463148A (zh) | 基于图像重构和哈希算法的人脸识别方法 | |
Lei et al. | Orthogonal locally discriminant spline embedding for plant leaf recognition | |
CN110796022A (zh) | 一种基于多流形耦合映射的低分辨人脸识别方法 | |
Xing et al. | A multi-manifold semi-supervised Gaussian mixture model for pattern classification | |
Xu et al. | Robust joint representation of intrinsic mean and kernel function of lie group for remote sensing scene classification | |
Zhang et al. | Category modeling from just a single labeling: Use depth information to guide the learning of 2d models | |
Ming et al. | Efficient Kernel discriminate spectral regression for 3D face recognition | |
CN106096528A (zh) | 一种基于二维耦合边距Fisher分析的跨视角步态识别方法 | |
CN104899604A (zh) | 一种基于数据集合并的特征级融合方法 | |
CN100416592C (zh) | 基于数据流形的人脸自动识别方法 | |
CN111783526B (zh) | 一种利用姿势不变和图结构对齐的跨域行人重识别方法 | |
Li et al. | Deep manifold reconstruction neural network for hyperspectral image classification | |
CN102289679B (zh) | 一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法 | |
CN101482917B (zh) | 一种基于二阶二维主分量分析的人脸识别系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |